本次会议共收到投稿 4854 篇，根据官方供应的论文列表，本次会议共收录 1010 篇论文，吸收率为 20.8%。

对论文题目进行统计剖析，不出猜想，霸占前三位的实意词语分别为 Learning、Neural、Network(s)，均在超过十分一的标题中涌现。
接下来涌现频率较高的词语为 Deep、Optimization、Model(s)、Bayesian、Stochastic、Gradient、Adversarial、Variational、Reinforcement、Data、Generative、Efficient、Inference、Gaussian、Graph、Robust、Linear、Fast 和 Descent。
这些词语涌如今超过 2% 的题目中。

其余，我们也不丢脸出，贝叶斯方法、强化学习、GANs、模型的鲁棒性和高效性等是当前研究的热点。

（来源：NeurIPS）

目前，NeurIPS 已经公布了今年的 4 篇最佳论文和韶光考验奖。
最佳论文中的三篇出自加拿大顶尖大学，加拿大人工智能的实力引人瞩目。
其余一篇论文来自 Google AI 。
值得一提的是，来自华为实验室的研究者榜上有名。

以下为 4 篇最佳论文的信息：

这篇论文来自于加拿大多伦多大学的 Vector Institute。
论文中先容了一类以黑盒 ODE 求解器作为组件的新的深度学习模型，详细先容了它们的性子、演习细节等。
ODE 组建利用一个神经网络对隐蔽状态的导数进行参数化，而不再为隐蔽层指定一个离散的序列。
神经网络的输出由黑盒微分方程求解器打算。
利用该组建可以建立用于韶光序列、监督学习等的新模型。
这些模型的评估自适应性的，可以权衡打算的速率和准确度。

图 | 左：一个残差网络定义了一个只能进行有限变换的离散序列。
而 ODE 模型则定义了一个矢量场，其状态可以不断进行转换

这篇论文的作者来自加拿大的 McMaster 、Waterloo 等顶尖大学。
他们证明了在 d 维空间中，当方差间隔小于的情形下，采样对付学习参数为 k 的高斯稠浊模型是充分且必要的。
这进一步精确了之前研究得到的该问题的上界和下界。

这篇论文的作者来自华为诺亚方舟实验室、INRIA、微软研究院、华盛顿大学等机构。
论文聚焦于包含打算单元的网络的非平滑凸函数的分布优化问题。
在两个规律性假设的条件下，作者提出了 MSPD 算法和更大略有效的 DRS 算法。

这是一篇与强化学习中 Q-learning 干系的论文，来自 GoogleAI。
作者通过函数逼近的方法确定了 Q-learning 和其他动态方案模型中基本偏差的基本性来源。
当近似模型的框架限定了可表达贪婪策略的种别时，企图偏差就会产生。
为理解决这一问题，作者引入了一种新的同等性策略，并证明利用该策略的基于模型和无模型算法都可以肃清企图偏差，在一样平常条件下取得最佳结果。
末了，作者还提出了几种针对大规模增强学习问题实用的启示式方法，以减轻企图偏差的影响。

末了，今年的韶光考验奖则颁发给了 2007 年的论文 The Tradeoffs of Large Scale Learning 。
韶光考验奖是一篇论文可以得到的最高赞誉之一，解释一篇论文经受住了韶光的磨练，对全体领域产生了重大的影响。
这篇论文通过一个理论框架，谈论了近似优化对学习算法的影响。
打算机打算能力的飞速发展的同时，我们也步入了大数据时期。
机器学习、深度学习的特性使得学习理论必须将打算繁芜度纳入考量。
作者在研究中创造，由于演习数量和演习韶光的约束，不同规模学习模型的泛化能力之间存在质的差异。
该论文为不同规模模型的细节设计供应了主要的参考。